编辑推荐：
在可穿戴心电监测设备中，噪声心电（ECG）信号分析易导致疾病误诊和误报。研究人员开展基于导数 ECG（dECG）信号的轻量级卷积神经网络（CNN）用于自动 ECG 信号质量评估（ECG-SQA）研究。结果显示模型表现良好，对降低误报、提升设备可靠性意义重大。
研究背景
在当今科技飞速发展的时代，可穿戴设备的普及为人们的健康监测带来了极大便利。尤其是可穿戴的生命体征监测设备，能够实时记录心电图（Electrocardiogram，ECG）信号，为心血管疾病的诊断和健康状况的长期跟踪提供重要依据。然而，现实却没有那么美好。在实际使用过程中，这些设备采集的 ECG 信号常常受到各种噪声的干扰，比如基线漂移、肌肉运动产生的伪影、电极移动以及电力线干扰等。
想象一下，当医生根据这些被噪声污染的 ECG 信号进行疾病诊断时，就如同在迷雾中辨别方向，很容易出现错误判断。这不仅会导致疾病的误诊，还会在设备监测过程中频繁产生误报，让使用者虚惊一场。而且，传统的滤波方法，像移动平均滤波、频率选择性滤波等，都难以在不影响真实信号形态的前提下有效去除噪声。因此，开发一种可靠的 ECG 信号质量评估（ECG-SQA）方法迫在眉睫，它对于提高可穿戴设备的监测准确性、减少误报、保障人们的健康意义非凡。
在这样的背景下，来自未知研究机构的研究人员踏上了探索之路，他们的研究成果发表在了《Biomedical Signal Processing and Control》上，为解决这一难题带来了新的希望。
研究方法
研究人员提出了一种基于导数 ECG（dECG）信号的一维卷积神经网络（1D CNN）用于 ECG-SQA。他们使用了多个标准 ECG 数据库中的信号，包括 MIT-BIH 心律失常数据库（MIT-BIHA）和 PTB 数据库等。通过划分训练集和测试集，利用不同的超参数构建并训练 60 个基于 dECG 的 CNN 模型，这些超参数涵盖激活函数、卷积层（CL）、全连接层（DL）以及卷积核大小等。最后在 Raspberry Pi 计算平台上对最优模型进行实现，以测试方法在低计算资源平台上的可行性。
研究结果
- 模型性能评估：研究人员用来自 MIT-BIHA 和 PTB 数据库生成的测试数据库，以及两个未用于训练的测试数据库 PCCC2011 和 INCART，对基于 dECG 的 CNN 模型进行评估。评估指标包括灵敏度（SE）、特异性（SP）和准确率（AC）。在一个标准的未见过的 ECG 数据库上，所提出的 CNN 模型达到了 97.59% 的准确率、98.78% 的灵敏度和 89.23% 的特异性。
- 超参数优化：通过对 60 个不同超参数的基于 dECG 的 CNN 模型进行研究，发现可以通过优化激活函数、卷积层数量、全连接层数量和卷积核大小等超参数，得到轻量级且高性能的 1D CNN 模型。
- 实时可行性测试：在 Raspberry Pi 计算平台（1.5 GHz Cortex-A72 四核 CPU 和 8 GB RAM）上实现的最优 CNN 模型，对 5 秒 ECG 信号进行质量评估的测试时间为 130.44±46.24 ms，这证实了该方法的实时可行性。
研究结论与讨论
本研究成功开发了一种基于 1D CNN 的 ECG-SQA 方法，该方法基于 dECG 信号，能够有效检测干净和噪声 ECG 信号，减少了可穿戴设备在长期连续监测生命体征和诊断心血管疾病过程中的误报。通过对多个超参数的优化，得到了性能优异且适合低计算资源平台的模型。这一成果对于提升可穿戴设备的可靠性、保障心血管疾病的准确诊断具有重要意义，为未来可穿戴健康监测技术的发展提供了新的思路和方法。它不仅可以让人们更准确地了解自己的心脏健康状况，还能在一定程度上减轻医疗负担，具有广阔的应用前景。
